化工生产装置或测量仪表所取得的测量数据由于各种因素的影响,通常会存在一定的误差。误差可以分为随机误差与显著误差。而精确的数据能够为有效监控、建模、计划调度及生产决策管理的实现提供坚实可靠的依据。为了得到更加准确可靠的过程数据,有必要对过程的测量数据实施数据校正处理。数据校正的目的就是综合应用数理统计、辨识技术及优化方法,对实际测量数据进行协调,消除测量数据中所包含的随机误差,并检测及侦破数据中含有的显著误差,从而达到提高测量数据质量的目的。本文研究工作主要针对数据校正技术中显著误差处理、数据协调优化算法和数据校正技术在化工过程中的应用进行了理论研究和应用。首先,本文回顾了数据校正理论的发展历史、研究情况及其工业应用情况；其次,本文介绍了显著误差检测的基本原理,在此基础上介绍了具有较好网络收敛速度的基于L-M算法的BP神经网络(LM-BP网络),并提出基于LM-BP网络的显著误差检测方法,采用应用实例验证了方法的可行性；再次,本文在研究差分进化算法的基础上,提出一种基于混沌序列的改进差分进化算法(CMDE),在算法中引入动态调整的参数及子种群搜索策略,改善了标准差分进化算法易早熟收敛的缺点,并用测试函数验证了改进算法的有效性及优越性；最后,本文以某化工厂的甲醇合成装置为背景,在研究了甲醇合成过程的反应机理和反应流程的基础上,建立了该过程的简化模型,确定了需要校正的过程变量,并采用基于LM-BP网络和改进差分进化算法的数据校正技术对工厂采集来的实际测量数据进行数据校正,通过校正结果与测量数据的比较,验证了算法能够取得较好的校正效果。